CN117008480B - 结合应用场景的不锈钢产品自适应加工控制方法 - Google Patents
结合应用场景的不锈钢产品自适应加工控制方法 Download PDFInfo
- Publication number
- CN117008480B CN117008480B CN202311270322.3A CN202311270322A CN117008480B CN 117008480 B CN117008480 B CN 117008480B CN 202311270322 A CN202311270322 A CN 202311270322A CN 117008480 B CN117008480 B CN 117008480B
- Authority
- CN
- China
- Prior art keywords
- processing
- parameters
- stainless steel
- processing control
- steel product
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 322
- 229910001220 stainless steel Inorganic materials 0.000 title claims abstract description 96
- 239000010935 stainless steel Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000005482 strain hardening Methods 0.000 claims description 36
- 238000003754 machining Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000010587 phase diagram Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004886 process control Methods 0.000 description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000001953 recrystallisation Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 239000011651 chromium Substances 0.000 description 2
- 238000000641 cold extrusion Methods 0.000 description 2
- 238000005097 cold rolling Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004049 embossing Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000010622 cold drawing Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本公开提供了结合应用场景的不锈钢产品自适应加工控制方法，涉及不锈钢加工控制技术领域，该方法包括：采集待进行冷变形加工的不锈钢产品的产品参数；获取进行冷变形加工的加工参数；构建进行调整的加工控制参数空间；对加工控制参数进行搜索优化，获取加工后的金相图像，计算适应度；计算引力，进行多轮加工控制参数的搜索优化；对不锈钢产品进行冷变形加工。通过本公开可以解决现有技术中存在由于冷变形加工中不锈钢产品的加工控制效率和精确度较低，导致产生裂纹和贫铬区而降低不锈钢产品的加工质量的技术问题，实现提高不锈钢产品的加工控制效率和精确度的目标，达到降低生成裂纹和贫铬区进而提高不锈钢产品的加工质量的技术效果。
Description
技术领域
本公开涉及不锈钢加工控制技术领域，具体涉及结合应用场景的不锈钢产品自适应加工控制方法。
背景技术
冷变形加工为在再结晶温度以下的塑性变形加工过程。随着机械加工工业的发展，生产中依靠冷变形加工的不锈钢产品越来越多。由于冷变形加工会导致不锈钢的金相组织发生变化，导致不锈钢产品的极易产生裂纹以及贫铬区。因此需要一种方法对冷变形加工的加工控制参数进行调整控制，进而降低裂纹和贫铬区产生。
综上所述，现有技术中存在由于冷变形加工中不锈钢产品的加工控制效率和精确度较低，导致产生裂纹和贫铬区而降低不锈钢产品的加工质量的技术问题。
发明内容
本公开提供了结合应用场景的不锈钢产品自适应加工控制方法，用以解决现有技术中存在由于冷变形加工中不锈钢产品的加工控制效率和精确度较低，导致产生裂纹和贫铬区而降低不锈钢产品的加工质量的技术问题。
根据本公开的第一方面，提供了结合应用场景的不锈钢产品自适应加工控制方法，包括：采集待进行冷变形加工的不锈钢产品的产品参数；获取对所述不锈钢产品进行冷变形加工的加工参数，其中所述加工参数包括加工形状和加工变形量；根据所述加工参数，构建对加工控制参数进行调整的加工控制参数空间；在所述加工控制参数空间内，对加工控制参数进行搜索优化，通过冷变形加工模拟，获取加工后的金相图像，并分析冷变形加工导致的贫铬参数和裂纹参数，计算加工控制参数的适应度；根据适应度，计算每个加工控制参数所受到的引力，根据引力，对加工控制参数的搜索步长和搜索位置进行更新，并进行多轮加工控制参数的搜索优化，获得最优加工控制参数；采用最优加工控制参数，对不锈钢产品进行冷变形加工。
根据本公开的第二方面，提供了结合应用场景的不锈钢产品自适应加工控制系统，包括：产品参数获得模块，所述产品参数获得模块用于采集待进行冷变形加工的不锈钢产品的产品参数；加工参数获得模块，所述加工参数获得模块用于获取对所述不锈钢产品进行冷变形加工的加工参数，其中所述加工参数包括加工形状和加工变形量；加工控制参数空间获得模块，所述加工控制参数空间获得模块用于根据所述加工参数，构建对加工控制参数进行调整的加工控制参数空间；适应度计算模块，所述适应度计算模块用于在所述加工控制参数空间内，对加工控制参数进行搜索优化，通过冷变形加工模拟，获取加工后的金相图像，并分析冷变形加工导致的贫铬参数和裂纹参数，计算加工控制参数的适应度；最优加工控制参数获得模块，所述最优加工控制参数获得模块用于根据适应度，计算每个加工控制参数所受到的引力，根据引力，对加工控制参数的搜索步长和搜索位置进行更新，并进行多轮加工控制参数的搜索优化，获得最优加工控制参数；冷变形加工模块，所述冷变形加工模块用于采用最优加工控制参数，对不锈钢产品进行冷变形加工。
根据本公开的第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器实现能够执行第一方面中任一项所述的方法。
本公开中提供的一个或多个技术方案，至少具有如下技术效果或优点：根据本公开采用的通过采集待进行冷变形加工的不锈钢产品的产品参数；获取对所述不锈钢产品进行冷变形加工的加工参数，其中所述加工参数包括加工形状和加工变形量；根据所述加工参数，构建对加工控制参数进行调整的加工控制参数空间；在所述加工控制参数空间内，对加工控制参数进行搜索优化，通过冷变形加工模拟，获取加工后的金相图像，并分析冷变形加工导致的贫铬参数和裂纹参数，计算加工控制参数的适应度；根据适应度，计算每个加工控制参数所受到的引力，根据引力，对加工控制参数的搜索步长和搜索位置进行更新，并进行多轮加工控制参数的搜索优化，获得最优加工控制参数；采用最优加工控制参数，对不锈钢产品进行冷变形加工，解决了现有技术中存在由于冷变形加工中不锈钢产品的加工控制效率和精确度较低，导致产生裂纹和贫铬区而降低不锈钢产品的加工质量的技术问题，实现提高不锈钢产品的加工控制效率和精确度的目标，达到降低生成裂纹和贫铬区进而提高不锈钢产品的加工质量的技术效果。
应当理解，本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的结合应用场景的不锈钢产品自适应加工控制方法的流程示意图；
图2为本公开实施例提供的结合应用场景的不锈钢产品自适应加工控制系统的结构示意图；
图3为本公开实施例提供的一种计算机设备的结构示意图。
附图标记说明：产品参数获得模块11，加工参数获得模块12，加工控制参数空间获得模块13，适应度计算模块14，最优加工控制参数获得模块15，冷变形加工模块16，计算机设备100，处理器101，存储器102，总线103。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
本公开实施例提供的结合应用场景的不锈钢产品自适应加工控制方法，兹参照图1作说明，所述方法包括：
本公开实施例提供的方法中包括：
采集待进行冷变形加工的不锈钢产品的产品参数；
具体地，采集待进行冷变形加工的不锈钢产品的产品参数，其中，不锈钢产品的产品参数包括成分信息等。举例而言，通过化学分析法等，采集不锈钢产品的成分信息。
获取对所述不锈钢产品进行冷变形加工的加工参数，其中所述加工参数包括加工形状和加工变形量；
具体地，冷变形加工为金属在再结晶温度以下所进行的变形或加工，如钢的冷拉或冷冲压等。例如因为纯铁的最低再结晶温度是450℃，纯铁在400℃时的加工为冷加工。进一步地，根据历史不锈钢产品加工记录，获取对不锈钢产品进行冷变形加工的加工参数。其中，加工参数包括加工形状和加工变形量。举例而言，加工形状从竖直条状改变为卷曲形状。
根据所述加工参数，构建对加工控制参数进行调整的加工控制参数空间；
具体地，获取根据加工参数对应的多个加工方式。举例而言，加工方式包括冷镦、冷挤压、压印、拉伸、落料、切边、冲孔、冷轧、轧轮等。获取多个加工方式的多个加工参数区间。根据多个加工方式的组合，组合获得加工控制参数空间。
在所述加工控制参数空间内，对加工控制参数进行搜索优化，通过冷变形加工模拟，获取加工后的金相图像，并分析冷变形加工导致的贫铬参数和裂纹参数，计算加工控制参数的适应度；
具体地，在加工控制参数空间内，通过迭代搜索求得函数最值的搜索方法，对加工控制参数进行搜索优化，进而调整加工控制参数。通过冷变形加工模拟，采集获取加工后的金相图像，并分析冷变形加工导致的贫铬参数和裂纹参数，获得贫铬参数的数量、裂纹参数的长度和数量，进而计算加工控制参数的适应度。
根据适应度，计算每个加工控制参数所受到的引力，根据引力，对加工控制参数的搜索步长和搜索位置进行更新，并进行多轮加工控制参数的搜索优化，获得最优加工控制参数；
具体地，根据适应度，计算每个加工控制参数所受到的引力，根据引力，对加工控制参数的搜索步长进行更新，并根据加工控制参数的搜索步长更新搜索位置。举例而言，将当前位置作为初始位置，当搜索步长为50厘米时，按照搜索步长进行移动，获得移动位置，当优化后的搜索步长为60厘米时，继续按照搜索步长进行移动，获得再次移动位置，则再次移动位置距离初始位置为110厘米。进一步地，进行多轮加工控制参数的搜索优化，将搜索优化结果作为最优加工控制参数。
采用最优加工控制参数，对不锈钢产品进行冷变形加工。
具体地，采用最优加工控制参数，对不锈钢产品进行冷变形加工，获得冷变形加工控制结果。
其中，通过本实施例可以解决现有技术中存在由于冷变形加工中不锈钢产品的加工控制效率和精确度较低，导致产生裂纹和贫铬区而降低不锈钢产品的加工质量的技术问题，实现提高不锈钢产品的加工控制效率和精确度的目标，达到降低生成裂纹和贫铬区进而提高不锈钢产品的加工质量的技术效果。
本公开实施例提供的方法中还包括：
采集待进行冷变形加工的不锈钢产品的硬度、强度、成分信息、延展率、弹性模量；
整合不锈钢产品的硬度、强度、成分信息、延展率、弹性模量，作为产品参数。
具体地，采集待进行冷变形加工的不锈钢产品的硬度、强度、成分信息、延展率、弹性模量。进一步地，不锈钢产品的硬度用于检测抗刮擦、耐用、抗撕裂和压痕程度，其中，通过洛氏硬度计采集不锈钢产品的硬度。进一步地，不锈钢产品的强度用于检测弯、断、碎、变形的难度程度，其中，通过检测成分信息的含量来判断强度，成分信息的含量不同，强度不同。进一步地，不锈钢产品的成分信息的配比不同，用以满足不同用途对不锈钢产品的组织和性能的要求，其中，通过化学分析法对不锈钢产品的成分信息进行采集。进一步地，延展率用于测量材料在不发生断裂的前提下所能承受的塑性变形程度。其中，通过弯曲测试采集延展率。进一步地，弹性模量为物质弹性的一个物理量。其中，通过单向应力状态下应力除以该方向的应变采集获得。
进一步地，整合不锈钢产品的硬度、强度、成分信息、延展率、弹性模量，作为产品参数。举例而言，产品参数包括铬含量、碳含量等。
其中，获取产品参数可以提高不锈钢产品的加工控制效率。
本公开实施例提供的方法中还包括：
获取对不锈钢产品进行冷变形加工的多个加工方式；
获取多个加工方式的多个加工参数区间，组合获得所述加工控制参数空间。
具体地，获取对不锈钢产品进行冷变形加工的多个加工方式。举例而言，加工方式包括冷镦、冷挤压、压印、拉伸、落料、切边、冲孔、冷轧、轧轮等。进一步地，获取多个加工方式的多个加工参数区间。其中，加工方式具有至少一个加工参数区间。根据多个加工方式的组合，组合获得加工控制参数空间。
其中，获得加工控制参数空间可以提高不锈钢产品的加工控制效率。
本公开实施例提供的方法中还包括：
在所述加工控制参数空间内，通过多个搜索粒子，随机搜索获得多个第一加工控制参数，作为多个第一位置，多个搜索粒子包括初始搜索步长；
采用所述多个第一加工控制参数，进行冷加工变形映射，获取冷加工后的多个样本第一金相图集；
根据多个样本第一金相图集，进行贫铬区识别和裂纹识别，获得多个第一贫铬参数和多个第一裂纹参数；
构建对冷加工的加工控制参数进行评价的冷加工函数，根据所述多个第一贫铬参数和多个第一裂纹参数，计算获得多个第一适应度；
根据多个第一适应度，计算每个第一加工控制参数所收到的引力，并根据多个第一引力，对初始搜索步长分别进行调整计算，获得多个调整搜索步长；
采用多个调整搜索步长，对多个第一位置进行更新搜索，获得多个第二加工控制参数；
继续进行多轮搜索优化，直到达到预设搜索轮次，将搜索优化过程中适应度最大的加工控制参数输出，获得所述最优加工控制参数。
具体地，在加工控制参数空间内，将加工控制参数作为搜索粒子。通过多个搜索粒子，随机搜索获得多个加工控制参数，作为多个第一加工控制参数。进一步地，此搜索方法是一种迭代求得函数最值的方法。对于每次迭代，此搜索方法会计算得到搜索的方向，以及沿这个方向移动的步长。此搜索方法包括两步，确定方向、确定步长。其中，将多个第一加工控制参数作为多个第一位置。多个搜索粒子包括初始搜索步长。之后根据加工参数进行步长的调整。
进一步地，采用多个第一加工控制参数，映射获得冷加工变形的步骤，并进行冷加工变形，获取冷加工后的多个样本第一金相图集。其中，样本第一金相图集通过显微镜采集获得。
进一步地，根据多个样本第一金相图集，进行贫铬区识别和裂纹识别，获得多个样本第一金相图集内的多个第一贫铬参数和多个第一裂纹参数。其中，基于大数据，进行检索，获得贫铬区识别方法和裂纹识别方法。
进一步地，构建对冷加工的加工控制参数进行评价的冷加工函数，用于输出适应度。将多个第一贫铬参数和多个第一裂纹参数作为输入数据进行输入，通过冷加工函数计算获得多个第一适应度。
进一步地，根据多个第一适应度，计算每个第一加工控制参数所收到的引力，并根据多个第一引力，对初始搜索步长分别进行调整计算，获得多个调整搜索步长。其中，当第一适应度越大，则调整搜索步长越小。当第一适应度越小，则调整搜索步长越大。根据调整搜索步长进行精细的寻优。
进一步地，采用多个调整搜索步长，对多个第一位置进行更新搜索，获得多个第二位置，即多个第二加工控制参数。
进一步地，继续进行多轮搜索优化，直到达到预设搜索轮次，将搜索优化过程中适应度最大的加工控制参数输出，获得最优加工控制参数。其中，预设搜索轮次为当加工控制参数调整为最优加工控制参数时的搜索轮次。
其中，获得最优加工控制参数可以提高不锈钢产品的加工控制效率。
本公开实施例提供的方法中还包括：
根据所述产品参数和加工参数，对不锈钢产品的冷变形加工数据进行调取，获取样本加工控制参数集和样本金相图像集；
构建所述样本加工控制参数集和样本金相图像集的映射关系，获得加工模拟通道；
采用所述多个第一加工控制参数，进行冷加工变形映射模拟，获得多个样本第一金相图集。
具体地，根据产品参数和对应的加工参数，进行冷变形加工。对不锈钢产品的冷变形加工数据进行调取，获取样本加工控制参数集和样本金相图像集。其中，样本加工控制参数集为冷变形加工的加工过程控制数据。样本金相图像集为冷变形加工之后采集获得金相图数据。
进一步地，根据样本加工控制参数集进行冷变形加工，采集获得样本金相图像集，构建样本加工控制参数集和样本金相图像集的映射关系，即每个冷变形加工的控制参数对应获得贫铬参数或裂纹参数。进一步地，获得加工模拟通道，加工模拟通道内具有映射关系。采用多个第一加工控制参数，输入加工模拟通道进行冷加工变形映射模拟，获得多个样本第一金相图集。
其中，获得样本加工控制参数集和样本金相图像集的映射关系可以提高不锈钢产品的加工控制效率。
本公开实施例提供的方法中还包括：
对所述样本金相图像集内的贫铬区和裂纹进行识别和标记，获得样本贫铬参数集和样本裂纹参数集；
基于深度卷积网络，构建金相图识别通道；
采用样本金相图像集、样本贫铬参数集和样本裂纹参数集，对金相图识别通道进行训练直到收敛；
采用所述金相图识别通道，对多个样本第一金相图集内的金相图进行识别，获得多个第一贫铬参数集和多个第一裂纹参数集；
分别计算所述多个第一贫铬参数集和多个第一裂纹参数集的均值，获得多个第一贫铬参数和多个第一裂纹参数，每个第一贫铬参数内包括贫铬区的数量，每个第一裂纹参数内包括裂纹的数量和平均长度。
具体地，对样本金相图像集内的贫铬区和裂纹进行识别和分别标记，将标记数据分别作为样本贫铬参数集和样本裂纹参数集。其中，基于大数据进行检索，获得贫铬区和裂纹的识别方法。
进一步地，深度卷积网络为对特征值进行计算而不是对原始值进行计算的神经网络。例如，当识别一只狗的图像时，不会逐像素判断此图像是否为狗，而是只通过看到狗的四条腿、皮毛的特征，便获得图像为狗。基于深度卷积网络，构建金相图识别通道。进一步地，采用样本金相图像集、样本贫铬参数集和样本裂纹参数集，对金相图识别通道进行训练直到收敛。
进一步地，根据深度卷积网络，构建金相图识别通道包括卷积层、池化层、全连接层。其中，卷积层通过卷积核进行计算，进而得到特征值。并根据特征值将构成一个特征图。卷积层利用一个窗口进行计算，例如样本金相图像集的规模是200*200，当设置20*20的卷积核，则得到180*180的特征图。卷积核是一个矩阵数组，将和原始样本金相图像集上的矩阵数据进行计算。每次计算对20*20窗口上的图像内容进行抽象。举例而言，金相图识别通道有2个卷积层，其一用于检测贫铬参数，其一用于检测裂纹参数。当卷积层进行计算时，检测到的数值被放大。当完成所有的特征图的时，获得第一图像包括贫铬参数、第二图像包括裂纹参数。第一图像与第二图像为特征图，特征图内包括数据表示特征值，即是对输入的样本金相图像集的压缩。进而提取特征值计算特征。
进一步地，池化层为对特征图进行优化的函数。举例而言，池化层具有Relu函数：F(x)=max(0，x)。用于把特征值中大于0的数进行保留，对其余全部特征值变换为零。
进一步地，全连接层基于上述的卷积和池化层输出结果函数。举例而言，判断是否检测到贫铬参数，如果检测到贫铬参数，输入数据样本金相图像集包含贫铬参数的概率提升25%。
进一步地，采用金相图识别通道，对多个样本第一金相图集内的金相图进行识别，获得多个第一贫铬参数集和多个第一裂纹参数集。进一步地，分别计算多个第一贫铬参数集和多个第一裂纹参数集的均值，获得多个第一贫铬参数和多个第一裂纹参数，其中，每个第一贫铬参数内包括贫铬区的数量，每个第一裂纹参数内包括裂纹的数量和平均长度。
其中，识别获得第一贫铬参数集和第一裂纹参数集可以提高不锈钢产品的加工控制效率。
本公开实施例提供的方法中还包括：
构建对冷加工的加工控制参数进行评价的冷加工函数，如下式：
；
其中，fit为适应度，和/>为权重，LC为第一贫铬参数，T为第一裂纹参数内裂纹的数量，/>为裂纹的平均长度；
采用所述冷加工函数，分别对多个第一贫铬参数和多个第一裂纹参数进行计算，获得多个第一适应度。
具体地，构建对冷加工的加工控制参数进行评价的冷加工函数：
；
其中，fit为适应度，和/>为权重，LC为第一贫铬参数，T为第一裂纹参数内裂纹的数量，/>为裂纹的平均长度。进一步地，第一贫铬参数内包括贫铬区的数量，当第一贫铬参数的贫铬区的数量LC越少，第一贫铬参数的权重/>和权重值/>的相乘之和越大，则适应度fit越高。当第一裂纹参数内裂纹的数量T和裂纹的平均长度/>越少，获得第一裂纹参数内裂纹的总长度/>越少，第一裂纹参数的权重/>和权重值/>的相乘之和越大，则适应度fit越高。
进一步地，分别将多个第一贫铬参数和多个第一裂纹参数输入冷加工函数进行计算，获得多个第一适应度。
其中，获得第一适应度可以提高调整加工控制参数的效率。
本公开实施例提供的方法中还包括：
分别以每个第一适应度作为被减数，计算与其他多个第一适应度的差值，获得多个差值集；
分别计算多个差值集的和，获得多个总差值，作为多个引力；
根据多个引力的大小，分配计算获得多个调整系数，其中，引力的大小与调整系数的大小反相关，引力为0时调整系数为1；
采用多个调整系数，对所述初始搜索步长进行调整计算，获得多个调整搜索步长。
具体地，依次从多个第一适应度中提取第一适应度，分别以每个第一适应度作为被减数，计算与其他多个第一适应度的差值，获得多个差值集。其中，多个差值集中的差值可以为正数，也可以为负数。举例而言，最大的第一适应度与其他的多个第一适应度的差值均为正数，则多个第一适应度与最大的第一适应度的差值均为负数。
进一步地，分别计算每个第一适应度与其他多个第一适应度的差值对应的差值集的和，获得总差值。进而获得多个第一适应度对应的多个总差值，作为多个引力。进一步地，根据多个引力的大小，分配计算获得多个调整系数。其中，引力的大小与调整系数的大小反相关，引力为0时调整系数为1。
进一步地，采用多个调整系数，对初始搜索步长进行调整计算，获得多个调整搜索步长。其中，其分配计算获得的调整系数越小，比如调整系数是0.1，使调整后的步长越小，可以在较优的加工控制参数附近进行精细的寻优，提升加工控制精度。反之，则越大，比如调整系数为1.9，获得较差的加工控制参数。引力为零，则对应的第一适应度处于中等水平，不对步长进行调整。进一步地，在最大的引力和最小的引力内构建区间，例如调整系数区间为（0,2），根据引力大小等比计算调整系数。
其中，获得引力的大小可以反映加工控制参数的优劣。
实施例二
基于与前述实施例中结合应用场景的不锈钢产品自适应加工控制方法同样的发明构思，兹参照图2作说明，本公开还提供了结合应用场景的不锈钢产品自适应加工控制系统，所述系统包括：
产品参数获得模块11，所述产品参数获得模块11用于采集待进行冷变形加工的不锈钢产品的产品参数；
加工参数获得模块12，所述加工参数获得模块12用于获取对所述不锈钢产品进行冷变形加工的加工参数，其中所述加工参数包括加工形状和加工变形量；
加工控制参数空间获得模块13，所述加工控制参数空间获得模块13用于根据所述加工参数，构建对加工控制参数进行调整的加工控制参数空间；
适应度计算模块14，所述适应度计算模块14用于在所述加工控制参数空间内，对加工控制参数进行搜索优化，通过冷变形加工模拟，获取加工后的金相图像，并分析冷变形加工导致的贫铬参数和裂纹参数，计算加工控制参数的适应度；
最优加工控制参数获得模块15，所述最优加工控制参数获得模块15用于根据适应度，计算每个加工控制参数所受到的引力，根据引力，对加工控制参数的搜索步长和搜索位置进行更新，并进行多轮加工控制参数的搜索优化，获得最优加工控制参数；
冷变形加工模块16，所述冷变形加工模块16用于采用最优加工控制参数，对不锈钢产品进行冷变形加工。
进一步地，所述系统还包括：
硬度采集模块，所述硬度采集模块用于采集待进行冷变形加工的不锈钢产品的硬度、强度、成分信息、延展率、弹性模量；
硬度整合模块，所述硬度整合模块用于整合不锈钢产品的硬度、强度、成分信息、延展率、弹性模量，作为产品参数。
进一步地，所述系统还包括：
加工方式获得模块，所述加工方式获得模块用于获取对不锈钢产品进行冷变形加工的多个加工方式；
加工参数区间获得模块，所述加工参数区间获得模块用于获取多个加工方式的多个加工参数区间，组合获得所述加工控制参数空间。
进一步地，所述系统还包括：
第一位置获得模块，所述第一位置获得模块用于在所述加工控制参数空间内，通过多个搜索粒子，随机搜索获得多个第一加工控制参数，作为多个第一位置，多个搜索粒子包括初始搜索步长；
样本第一金相图集获得模块，所述样本第一金相图集获得模块用于采用所述多个第一加工控制参数，进行冷加工变形映射，获取冷加工后的多个样本第一金相图集；
第一贫铬参数获得模块，所述第一贫铬参数获得模块用于根据多个样本第一金相图集，进行贫铬区识别和裂纹识别，获得多个第一贫铬参数和多个第一裂纹参数；
第一适应度计算模块，所述第一适应度计算模块用于构建对冷加工的加工控制参数进行评价的冷加工函数，根据所述多个第一贫铬参数和多个第一裂纹参数，计算获得多个第一适应度；
调整搜索步长获得模块，所述调整搜索步长获得模块用于根据多个第一适应度，计算每个第一加工控制参数所收到的引力，并根据多个第一引力，对初始搜索步长分别进行调整计算，获得多个调整搜索步长；
第二加工控制参数获得模块，所述第二加工控制参数获得模块用于采用多个调整搜索步长，对多个第一位置进行更新搜索，获得多个第二加工控制参数；
加工控制参数获得模块，所述加工控制参数获得模块用于继续进行多轮搜索优化，直到达到预设搜索轮次，将搜索优化过程中适应度最大的加工控制参数输出，获得所述最优加工控制参数。
进一步地，所述系统还包括：
样本加工控制参数集获得模块，所述样本加工控制参数集获得模块用于根据所述产品参数和加工参数，对不锈钢产品的冷变形加工数据进行调取，获取样本加工控制参数集和样本金相图像集；
加工模拟通道获得模块，所述加工模拟通道获得模块用于构建所述样本加工控制参数集和样本金相图像集的映射关系，获得加工模拟通道；
第一加工控制参数获得模块，所述第一加工控制参数获得模块用于采用所述多个第一加工控制参数，进行冷加工变形映射模拟，获得多个样本第一金相图集。
进一步地，所述系统还包括：
样本贫铬参数集获得模块，所述样本贫铬参数集获得模块用于对所述样本金相图像集内的贫铬区和裂纹进行识别和标记，获得样本贫铬参数集和样本裂纹参数集；
金相图识别通道构建模块，所述金相图识别通道构建模块用于基于深度卷积网络，构建金相图识别通道；
金相图识别通道训练模块，所述金相图识别通道训练模块用于采用样本金相图像集、样本贫铬参数集和样本裂纹参数集，对金相图识别通道进行训练直到收敛；
第一裂纹参数集获得模块，所述第一裂纹参数集获得模块用于采用所述金相图识别通道，对多个样本第一金相图集内的金相图进行识别，获得多个第一贫铬参数集和多个第一裂纹参数集；
第一裂纹参数集均值获得模块，所述第一裂纹参数集均值获得模块用于分别计算所述多个第一贫铬参数集和多个第一裂纹参数集的均值，获得多个第一贫铬参数和多个第一裂纹参数，每个第一贫铬参数内包括贫铬区的数量，每个第一裂纹参数内包括裂纹的数量和平均长度。
进一步地，所述系统还包括：
冷加工函数获得模块，所述冷加工函数获得模块用于构建对冷加工的加工控制参数进行评价的冷加工函数，下式：
；
冷加工函数处理模块，所述冷加工函数处理模块用于其中，fit为适应度，和/>为权重，LC为第一贫铬参数，T为第一裂纹参数内裂纹的数量，/>为裂纹的平均长度；
第一适应度获得模块，所述第一适应度获得模块用于采用所述冷加工函数，分别对多个第一贫铬参数和多个第一裂纹参数进行计算，获得多个第一适应度。
进一步地，所述系统还包括：
差值集获得模块，所述差值集获得模块用于分别以每个第一适应度作为被减数，计算与其他多个第一适应度的差值，获得多个差值集；
多个引力获得模块，所述多个引力获得模块用于分别计算多个差值集的和，获得多个总差值，作为多个引力；
调整系数获得模块，所述调整系数获得模块用于根据多个引力的大小，分配计算获得多个调整系数，其中，引力的大小与调整系数的大小反相关，引力为0时调整系数为1；
调整计算模块，所述调整计算模块用于采用多个调整系数，对所述初始搜索步长进行调整计算，获得多个调整搜索步长。
前述实施例一中的结合应用场景的不锈钢产品自适应加工控制方法具体实例同样适用于本实施例的结合应用场景的不锈钢产品自适应加工控制系统，通过前述对结合应用场景的不锈钢产品自适应加工控制方法的详细描述，本领域技术人员可以清楚地知道本实施例中结合应用场景的不锈钢产品自适应加工控制系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
实施例三
图3是根据本公开第三实施例的示意图，如图3所示，本公开中的计算机设备100可以包括：处理器101和存储器102。
存储器102，用于存储程序，可以包括易失性存储器（英文：volatile memory），例如随机存取存储器（英文：random-access memory，缩写：RAM），如静态随机存取存储器（英文：static random-access memory，缩写：SRAM），双倍数据率同步动态随机存取存储器（英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM）等；存储器也可以包括非易失性存储器（英文：non-volatile memory），例如快闪存储器（英文：flash memory）。存储器102用于存储计算机程序（如实现上述方法的应用程序、功能模块等）、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器102中。并且上述的计算机程序、计算机指令、数据等可以被处理器101调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器102中。并且上述的计算机程序、计算机指令等可以被处理器101调用。
处理器101，用于执行存储器102存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器101和存储器102可以是独立结构，也可以是集成在一起的集成结构。当处理器101和存储器102是独立结构时，存储器102、处理器101可以通过总线103耦合连接。
本实施例的计算机设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
根据本公开的实施例，本公开还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在执行时实现上述任一实施例提供的步骤。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (7)
1.一种结合应用场景的不锈钢产品自适应加工控制方法，其特征在于，所述方法包括：
采集待进行冷变形加工的不锈钢产品的产品参数；
获取对所述不锈钢产品进行冷变形加工的加工参数，其中所述加工参数包括加工形状和加工变形量；
根据所述加工参数，构建对加工控制参数进行调整的加工控制参数空间；
在所述加工控制参数空间内，对加工控制参数进行搜索优化，通过冷变形加工模拟，获取加工后的金相图像，并分析冷变形加工导致的贫铬参数和裂纹参数，计算加工控制参数的适应度；
根据适应度，计算每个加工控制参数所受到的引力，根据引力，对加工控制参数的搜索步长和搜索位置进行更新，并进行多轮加工控制参数的搜索优化，获得最优加工控制参数；
采用最优加工控制参数，对不锈钢产品进行冷变形加工；
在所述加工控制参数空间内，通过多个搜索粒子，随机搜索获得多个第一加工控制参数，作为多个第一位置，多个搜索粒子包括初始搜索步长；
采用所述多个第一加工控制参数，进行冷加工变形映射，获取冷加工后的多个样本第一金相图集；
根据多个样本第一金相图集，进行贫铬区识别和裂纹识别，获得多个第一贫铬参数和多个第一裂纹参数；
构建对冷加工的加工控制参数进行评价的冷加工函数，根据所述多个第一贫铬参数和多个第一裂纹参数，计算获得多个第一适应度；
根据多个第一适应度，计算每个第一加工控制参数所收到的引力，并根据多个第一引力，对初始搜索步长分别进行调整计算，获得多个调整搜索步长；
采用多个调整搜索步长，对多个第一位置进行更新搜索，获得多个第二加工控制参数；
继续进行多轮搜索优化，直到达到预设搜索轮次，将搜索优化过程中适应度最大的加工控制参数输出，获得所述最优加工控制参数；
构建对冷加工的加工控制参数进行评价的冷加工函数，如下式：
；
其中，fit为适应度，和/>为权重，LC为第一贫铬参数，T为第一裂纹参数内裂纹的数量，/>为裂纹的平均长度；
用所述冷加工函数，分别对多个第一贫铬参数和多个第一裂纹参数进行计算，获得多个第一适应度；
分别以每个第一适应度作为被减数，计算与其他多个第一适应度的差值，获得多个差值集；
分别计算多个差值集的和，获得多个总差值，作为多个引力；
根据多个引力的大小，分配计算获得多个调整系数，其中，引力的大小与调整系数的大小反相关，引力为0时调整系数为1；
采用多个调整系数，对所述初始搜索步长进行调整计算，获得多个调整搜索步长。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
采集待进行冷变形加工的不锈钢产品的硬度、强度、成分信息、延展率、弹性模量；
整合不锈钢产品的硬度、强度、成分信息、延展率、弹性模量，作为产品参数。
3.根据权利要求1所述的方法，其特征在于，所述方法包括：
获取对不锈钢产品进行冷变形加工的多个加工方式；
获取多个加工方式的多个加工参数区间，组合获得所述加工控制参数空间。
4.根据权利要求1所述的方法，其特征在于，所述方法包括：
根据所述产品参数和加工参数，对不锈钢产品的冷变形加工数据进行调取，获取样本加工控制参数集和样本金相图像集；
构建所述样本加工控制参数集和样本金相图像集的映射关系，获得加工模拟通道；
采用所述多个第一加工控制参数，进行冷加工变形映射模拟，获得多个样本第一金相图集。
5.根据权利要求4所述的方法，其特征在于，所述方法包括：
对所述样本金相图像集内的贫铬区和裂纹进行识别和标记，获得样本贫铬参数集和样本裂纹参数集；
基于深度卷积网络，构建金相图识别通道；
采用样本金相图像集、样本贫铬参数集和样本裂纹参数集，对金相图识别通道进行训练直到收敛；
采用所述金相图识别通道，对多个样本第一金相图集内的金相图进行识别，获得多个第一贫铬参数集和多个第一裂纹参数集；
分别计算所述多个第一贫铬参数集和多个第一裂纹参数集的均值，获得多个第一贫铬参数和多个第一裂纹参数，每个第一贫铬参数内包括贫铬区的数量，每个第一裂纹参数内包括裂纹的数量和平均长度。
6.一种结合应用场景的不锈钢产品自适应加工控制系统，其特征在于，用于实施权利要求1-5中任意一项所述的一种结合应用场景的不锈钢产品自适应加工控制方法，所述系统包括：
产品参数获得模块，所述产品参数获得模块用于采集待进行冷变形加工的不锈钢产品的产品参数；
加工参数获得模块，所述加工参数获得模块用于获取对所述不锈钢产品进行冷变形加工的加工参数，其中所述加工参数包括加工形状和加工变形量；
加工控制参数空间获得模块，所述加工控制参数空间获得模块用于根据所述加工参数，构建对加工控制参数进行调整的加工控制参数空间；
适应度计算模块，所述适应度计算模块用于在所述加工控制参数空间内，对加工控制参数进行搜索优化，通过冷变形加工模拟，获取加工后的金相图像，并分析冷变形加工导致的贫铬参数和裂纹参数，计算加工控制参数的适应度；
最优加工控制参数获得模块，所述最优加工控制参数获得模块用于根据适应度，计算每个加工控制参数所受到的引力，根据引力，对加工控制参数的搜索步长和搜索位置进行更新，并进行多轮加工控制参数的搜索优化，获得最优加工控制参数；
冷变形加工模块，所述冷变形加工模块用于采用最优加工控制参数，对不锈钢产品进行冷变形加工。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311270322.3A CN117008480B (zh) | 2023-09-28 | 2023-09-28 | 结合应用场景的不锈钢产品自适应加工控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311270322.3A CN117008480B (zh) | 2023-09-28 | 2023-09-28 | 结合应用场景的不锈钢产品自适应加工控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117008480A CN117008480A (zh) | 2023-11-07 |
| CN117008480B true CN117008480B (zh) | 2023-12-08 |
Family
ID=88562122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311270322.3A Active CN117008480B (zh) | 2023-09-28 | 2023-09-28 | 结合应用场景的不锈钢产品自适应加工控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117008480B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013048274A1 (en) * | 2011-09-29 | 2013-04-04 | Siemens Aktiengesellschaft | Method for verifying process parameters of a manufacturing process |
| CN114792051A (zh) * | 2022-04-23 | 2022-07-26 | 唐山扬邦钢铁技术研究院有限公司 | 一种带钢冷轧酸洗参数优化方法 |
| CN115156742A (zh) * | 2022-07-18 | 2022-10-11 | 深圳大学 | 一种激光加工工艺参数实时修改控制系统 |
| CN116167236A (zh) * | 2023-03-03 | 2023-05-26 | 上海弘智金属制品有限公司 | 一种铝合金压铸件成型工艺的智能优化方法及系统 |
| CN116300475A (zh) * | 2023-05-11 | 2023-06-23 | 苏州先准电子科技有限公司 | 一种金属滚压加工控制方法及系统 |
| CN116500975A (zh) * | 2023-06-26 | 2023-07-28 | 中科航迈数控软件(深圳)有限公司 | 数控系统工艺调控方法、装置、数控机床和可读存储介质 |
-
2023
- 2023-09-28 CN CN202311270322.3A patent/CN117008480B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013048274A1 (en) * | 2011-09-29 | 2013-04-04 | Siemens Aktiengesellschaft | Method for verifying process parameters of a manufacturing process |
| CN114792051A (zh) * | 2022-04-23 | 2022-07-26 | 唐山扬邦钢铁技术研究院有限公司 | 一种带钢冷轧酸洗参数优化方法 |
| CN115156742A (zh) * | 2022-07-18 | 2022-10-11 | 深圳大学 | 一种激光加工工艺参数实时修改控制系统 |
| CN116167236A (zh) * | 2023-03-03 | 2023-05-26 | 上海弘智金属制品有限公司 | 一种铝合金压铸件成型工艺的智能优化方法及系统 |
| CN116300475A (zh) * | 2023-05-11 | 2023-06-23 | 苏州先准电子科技有限公司 | 一种金属滚压加工控制方法及系统 |
| CN116500975A (zh) * | 2023-06-26 | 2023-07-28 | 中科航迈数控软件(深圳)有限公司 | 数控系统工艺调控方法、装置、数控机床和可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进引力搜索算法的铣削加工参数低碳建模及优化;詹欣隆 等;中国机械工程;第31卷(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117008480A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110211045B (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
| CN110189255A (zh) | 基于两级检测的人脸检测方法 | |
| CN112699941B (zh) | 植物病害严重程度图像分类方法、装置、设备和存储介质 | |
| CN111812215B (zh) | 一种飞行器结构损伤的监测方法 | |
| CN109754008B (zh) | 基于矩阵分解的高维对称稀疏网络缺失信息的估计方法 | |
| CN110428175A (zh) | 一种基于深度学习的热轧带钢板凸度预报方法 | |
| CN112001399B (zh) | 基于局部特征显著化的图像场景分类方法和装置 | |
| CN106355195A (zh) | 用于测量图像清晰度值的系统及其方法 | |
| CN111832228A (zh) | 基于cnn-lstm的振动传递系统 | |
| CN111144551A (zh) | 一种基于特征方差比的卷积神经网络通道剪枝方法 | |
| CN112508924A (zh) | 一种小目标检测识别方法、装置、系统和存储介质 | |
| CN115205647A (zh) | 一种基于注意力机制与多尺度特征融合的植物图像分割方法 | |
| CN114120359A (zh) | 一种基于堆叠沙漏网络的群养猪体尺测量方法 | |
| CN117253122A (zh) | 玉米种子近似品种筛选方法、装置、设备及存储介质 | |
| CN117197057A (zh) | 一种基于深度学习的钢铁材料腐蚀程度自动化检测方法 | |
| CN116883393A (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN101937562A (zh) | 灰度级信息量直方图构造方法 | |
| CN117008480B (zh) | 结合应用场景的不锈钢产品自适应加工控制方法 | |
| CN114609008A (zh) | 一种气体浓度预测模型的训练方法和气体浓度预测方法 | |
| CN113033106A (zh) | 一种基于ebsd与深度学习方法的钢铁材料性能预测方法 | |
| CN116452820B (zh) | 环境污染等级确定方法及装置 | |
| CN115081580A (zh) | 一种对预训练的神经网络模型进行剪枝的方法 | |
| CN116958662A (zh) | 一种基于卷积神经网络的钢带缺陷分类方法 | |
| CN117031305A (zh) | 一种基于多模型组合的使用电池drt预测soh的方法 | |
| CN116342542A (zh) | 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |